By · Last updated 2026-06-05

Bloga DönTeknik

Çapraz Platform KKB: Mac, Linux ve Windows

Mac'te gizlilik görevlileri, Windows'ta hukuk, Linux'ta veri mühendisleri; hepsi farklı araçlarla aynı verileri işliyor. İşte işletim sisteminden bağımsız algılamanın neden gerekli olduğu.

June 5, 20266 dk okuma
cross-platformMac Linux GDPRenterprise ITOS agnosticcompliance consistency

Çapraz Platform KKB: Mac, Linux ve Windows

Mac'te gizlilik görevlileri. Windows'ta hukuk ekipleri. Linux'ta veri mühendisleri. Tek bir uyumluluk yükümlülüğü.

KKB araçlarının çoğu tek bir platform için oluşturuldu. Sorun da budur.

Gizlilik Ekiplerinde İşletim Sistemi Boşluğu

Kurumsal gizlilik ekipleri nadiren tek bir işletim sistemi kullanır. Tipik bir küresel teknoloji şirketi şöyle görünür:

  • Gizlilik görevlileri ve VKO'lar: macOS (ABD ve İngiltere firmalarında yaygın)
  • Hukuk ve uyumluluk analistleri: Windows (Avrupa kurumsal standardı)
  • Veri mühendisleri ve DevOps: Linux (teknik roller için standart)

Üç işletim sistemi ortamı. Üç ekip işlevi. Tek bir paylaşılan görev: kişisel verileri tutarlı teknik kontrollerle işlemek.

Her grup aynı aracın farklı sürümünü, ya da farklı bir arayüzü, kullandığında kontroller aynı değildir. Sadece öyle görünür.

Tek Platform Araçları Neden Risk Yaratır

KKB araçlarının çoğu tek bir işletim sistemi için masaüstü uygulaması olarak sunulur. Mac ve Linux kullanıcıları web uygulamasına ya da hiçbir şeye yönlendirilir.

Bu, denetimlerde önem taşıyan bir ayrım yaratır. Web uygulaması masaüstünün gerisinde kaldığında şu olur:

NLP model sürümleri farklılaşır. Bir masaüstü derlemesi, web uygulamasından daha yeni bir NLP modeli içerebilir. Eski model sürümleri, yenilerinin yakaladığı varlık türlerini kaçırabilir.

Güncelleme döngüleri ayrışır. Grup ilkesiyle dağıtılan araçlar doğrudan kurulumun iki ya da üç sürüm gerisinde çalışabilir. Sürüm boşlukları algılama boşluklarına dönüşür.

Yapılandırma senkronize edilemez. Ayarları işletim sistemi kayıt defterinde depolayan araçlar bu ayarları Mac veya Linux kullanıcılarıyla paylaşamaz. Tek bir platformda oluşturulan ön ayar diğerinde okunamayabilir.

Kitaplık davranışları farklılık gösterir. PDF ayrıştırma veya OCR için işletim sistemi düzeyindeki kitaplıklara dayanan araçlar, farklı platformlarda aynı kaynak belgeden farklı sonuçlar üretebilir.

Bu boşluklardan herhangi biri, aynı belgenin farklı anonimleştirme sonuçları üretmesine yol açabilir. Nedeni veri değil, platformdur.

Düzenleyicilerin tutarlılığı nasıl değerlendirdiğini görmek için bkz. GDPR teknik önlem gereksinimleri.

GDPR Madde 5(2) ve Sistematik Önlemler

GDPR Madde 5(2) hesap verebilirlik ilkesidir. Denetleyicilerin Madde 5(1) veri koruma ilkeleriyle uyumu göstermesini gerektirir. Madde 32 teknik önlemleri için bu, önlemlerin sistematik olarak uygulandığı anlamına gelir.

Sistematik, tutarlı demektir. Anonimleştirme, onu çalıştıran kişinin işletim sistemine göre değişiyorsa önlem değişken demektir; sistematik değil.

Bir VKO soruşturmasında "X Aracını kullandık, ancak Mac'te ve masaüstü sürümünde farklı davranıyor ve belge Mac'te işlendi" tatmin edici bir yanıt değildir. Eşitsiz uygulama gösterir.

İşletim sisteminden bağımsız tasarım bir tercih değildir. Sistematik uygulama gereksiniminden kaynaklanır.

İşletim Sisteminden Bağımsız Uyumluluk İçin İki Model

Gerçek anlamda işletim sisteminden bağımsız KKB uyumluluğu iki mimari modele uygundur.

Model 1: Web uygulaması

Algılama sunucuda çalışır. İstemci işletim sistemi önemsizdir. Her kullanıcı aynı motorla, aynı modellerle ve aynı yapılandırmayla çalışır.

Sınırlama: internet erişimi gerektirir. Hava boşluklu ortamlar kullanamaz.

Model 2: Yerel çapraz platform masaüstü uygulaması

Çapraz platform çalışma zamanı üzerine kurulmuş masaüstü uygulaması (Tauri veya Electron gibi), aynı kodu üç platform için de derler. Aynı NLP modelleri her derlemede yer alır. Yapılandırma, yerel işletim sistemi depolaması yerine hesap üzerinden senkronize olur.

Bu çevrimdışı ve hava boşluklu gereksinimleri karşılar. Algılama platformlar genelinde tutarlı kalır.

anonym.legal Masaüstü Uygulaması Tauri/Rust çerçevesini kullanır. Aynı kodu Windows (x64/ARM64), macOS (Intel/Apple Silicon/Universal) ve Linux (x64) için derler. NLP modelleri ve algılama motoru her derlemede aynıdır. İşletim sistemi çıktıda bir değişken değildir.

Kullanım Örneği: 12 Kişilik Gizlilik Ekibi

Küresel bir teknoloji şirketinin 12 kişilik gizlilik ekibi üç işletim sistemi ortamında çalıştı:

  • 4 gizlilik görevlisi ve VKO: macOS (MacBook Pro)
  • 5 hukuk ve uyumluluk analisti: Windows (Surface Pro)
  • 3 veri mühendisi: Linux (Ubuntu iş istasyonları)

Önceki KKB araçları tek bir platform için masaüstü uygulamasıydı. Mac ve Linux kullanıcıları satıcının web uygulamasına yönlendirildi. Daha az varlık türüne sahip eski bir sürümdü.

Uyumluluk boşluğu açıktı. Mac'teki VKO 180 varlık türü algıladı. Masaüstü uygulamasındaki hukuk ekibi 267 algıladı. Linux'taki mühendisler web uygulamasıyla eşleşerek 180 algıladı. VKO'nun işlediği belgeler için 87 varlıklık boşluk.

Çapraz platform masaüstü uygulamasına geçtikten sonra:

  • Aynı uygulama 12 makinenin tamamına dağıtıldı
  • Her makinede aynı NLP modelleri ve algılama motoru
  • Tüm hesaplarda senkronize edilen tek "Gizlilik Standardı" ön ayarı
  • Uyumluluk sisteminde 12 kullanıcının tamamından tek denetim izi

VKO denetimi altı ay sonra geldi. Ekip, işletim sisteminden bağımsız olarak 12 hesabın tamamında aynı varlık kapsamını gösterdi. Bulgu kapandı.

Denetim izi ve belgeleme özellikleri hakkında daha fazla bilgi edinin.

Araç Seçmeden Önce Kontrol Edilecekler

Çok işletim sistemli bir ekip için KKB aracı değerlendirirken şu soruları sorun:

Tüm platform sürümleri aynı NLP modelini kullanıyor mu? Mac ve Linux derlemeleri geride kalıyorsa tutarlılık sorunuyla karşı karşıyasınız.

Yapılandırma nasıl depolanıyor ve paylaşılıyor? Kayıt defteri tabanlı depolama platformlar arası senkronizasyon yapamaz.

Güncelleme döngüleri tüm platformlar için aynı mı? Kademeli sürümler sürüm boşlukları yaratır.

Masaüstü olmayan kullanıcılar için yedek nedir? Eski bir web uygulamasıysa kapsam aynı değildir.

Bu soruları iyi yanıtlayan bir araç, aynı girdiden herhangi bir işletim sisteminde aynı algılama sonucunu üretir. Sistematik uygulama budur.

Kaynaklar

Verilerinizi korumaya hazır mısınız?

48 dilde 285+ varlık türü ile PII anonimleştirmeye başlayın.

About this page

We update this page when our platform or the law changes.

Read our founder note for how we work.

Each change shows up in the timestamp at the top.

Related reading

We follow these rules

  • GDPR (EU 2016/679).
  • ISO/IEC 27001:2022.
  • NIS2 (EU 2022/2555).
  • HIPAA safe harbor under 45 CFR § 164.514(b)(2).

Our promise

We do not sell your data.

We do not train models on your text.

We store your files in Germany.

You can delete your account at any time.

You own your work.

Where we run

Our servers live in Falkenstein, Germany.

We use Hetzner. They hold ISO 27001 certification.

All data stays in the EU.

Backups run every day.

Need help?

Email support@anonym.legal.

We reply within one business day.

How we test

We run a full check suite on every release.

Each surface gets its own sweep script and report.

Human reviewers spot-check the output each week.

We track recall and precision on a labelled set.

Bad runs block the deploy.

What we never do

  • We never sell your information to third parties.
  • We never train models on what you upload.
  • We never keep your work after you delete it.
  • We never share keys with any outside firm.
  • We never run ads inside the product.

Plans in plain words

We sell credits, not seats.

One credit covers one short job.

Long jobs use a few credits each.

You can top up at any time.

Unused credits roll over each month.

Read the plans page for current rates.

Who built this

A small team of engineers and lawyers built this.

We ship from Europe and work in the open.

Our founder note spells out why we started.

Where to start

How the parts fit

A browser add-on cleans text inside Chrome.

A Word plug-in handles drafts in Office.

A small desktop tool works on whole folders.

An agent protocol link feeds large models safely.

All four share one core engine and one rule set.

Words from our team

We started this work after a lunch about cookies.

One friend kept getting odd ads on her phone.

We asked why a court file leaked through a draft.

We sketched the first build on a napkin that week.

By month three we had a tiny demo for a friend.

She used it on her first case the next day.

Common questions we hear

Can the tool read scanned PDFs? Yes, with OCR.

Does it work on long files? Yes, in small chunks.

Can I roll my own rule set? Yes, save it as a preset.

Does it run offline? The desktop build runs offline.

Do you keep my files? No, the cloud build wipes after each run.

Will it learn from my work? No, we never train on inputs.

A short tour of the workflow

Upload a file or paste a snippet of prose.

Pick the entities you want gone from the draft.

Choose a method: replace, mask, hash, encrypt, or redact.

Press run and watch the side panel show each hit.

Skim the result and tweak any rule that misfired.

Save the cleaned file or send it to a teammate.